MapReduce进阶：多路径输入输出

前言

当我们得意于 MapReduce 从一个数据输入目录，把数据经过程序处理之后输出到另一个目录时。可能你正在错过一些更好的方案，因为 MapReduce 是支持多路径的输入与输出的。比如，你一个项目中的多个 Job 产生了多个输出路径，后面又需要另一个 Job 去处理这些不路径下的数据。你要怎么办？暂停程序后，手动处理？看完本文，我想你会给你的这种想法来上一记耳光。（说笑了，别当真）

版权说明

著作权归作者所有。
商业转载请联系作者获得授权，非商业转载请注明出处。
本文作者：Q-WHai
发表日期： 2016年6月18日
本文链接：http://blog.csdn.net/lemon_tree12138/article/details/51707283
来源：CSDN
更多内容：分类 >> 大数据之 Hadoop

多路径输入

写了这么多的 MapReudce 的程序，我想你一定已经了解了 MapReduce 是如何将输入的数据加载到程序中进行计算的了。一般情况下，我们是通过 FileInputFormat 类的 addInputPath 方法。看到这个 add 关键字，就可能产生很多联想，事实上这种联想是正确的。我们的确可以使用多个目录共同输入数据，并且还不止一种方式。

方式一

可以多添加几个输入目录，只要按照之前添加一个目录的方式，继续添加就 ok 了。就像下面这样：

FileInputFormat.addInputPath(job, new Path(inputPath_1));
FileInputFormat.addInputPath(job, new Path(inputPath_2));
FileInputFormat.addInputPath(job, new Path(inputPath_3));

这里如果你是一个重视代码细节的人，你肯定会重构这段代码：

private void setInputPathMothed1(Job job) throws IOException {
    FileInputFormat.addInputPath(job, new Path(inputPath_1));
    FileInputFormat.addInputPath(job, new Path(inputPath_2));
    FileInputFormat.addInputPath(job, new Path(inputPath_3));
}

方式二

如果你嫌上面的代码太多了，你还有另外一种选择：

FileInputFormat.addInputPaths(job, String.join(",", inputPath_1, inputPath_2, inputPath_3));

通过上面的代码，你可以一次性全部加载这些不同的目录，很方便。
当我们打开 FileInputFormat.addInputPaths() 的源码，看到 addInputPaths() 的代码：

/** * Add the given comma separated paths to the list of inputs for * the map-reduce job. * * @param job The job to modify * @param commaSeparatedPaths Comma separated paths to be added to * the list of inputs for the map-reduce job. */
public static void addInputPaths(Job job, 
                               String commaSeparatedPaths
                               ) throws IOException {
    for (String str : getPathStrings(commaSeparatedPaths)) {
        addInputPath(job, new Path(str));
    }
}

这里看似方便的 FileInputFormat.addInputPaths()，其实只是 hadoop 给我们这些懒惰的开发者的进一层封装罢了。

方式三：

这种方式有一些特殊，也是我推荐你去使用的一种方式。你可以先看代码感受一下。

private void setInputPathMothed3(Job job) throws IOException {
    MultipleInputs.addInputPath(job, new Path(inputPath_1), TextInputFormat.class, CoreComputer.CoreMapper.class);
    MultipleInputs.addInputPath(job, new Path(inputPath_2), TextInputFormat.class, CoreComputer.CoreMapper.class);
    MultipleInputs.addInputPath(job, new Path(inputPath_3), TextInputFormat.class, CoreComputer.CoreMapper.class);
}

上面的代码中使用一个新的类 MultipleInputs。从类的命名上就可以看到这是一个专门处理多路径输入的问题的。在上面的代码中，我们看到 MultipleInputs.addInputPath() 多了两个不同的参数。进入源码可以看到他们分别是输入数据的格式，以及数据处理的 Mapper。
其实这两个参数是可以让你通过更加灵活的方式来处理数据。inputFormatClass 是可以让你输入不同类型的数据，mapperClass 是可以让你使用不同的 Mapper 来处理不同的数据。正因为这种可选择性，你的程序就更加的灵活了。不过上面的代码中，我并没有采用不同的 Mapper，如果你感兴趣，可以尝试一下。

小结

看到这里，你可能会有疑惑，难道在 Mapper 和 Reducer 里面就不用设置了么？是的，我们不需要调整 Mapper 和 Reducer 的核心代码就可以实现多路径输入。

多路径输出

核心代码修改

多路径的输出没有多路径输入那么多可选择的方案，且在多路径输出中，需要编写的代码量也比多路径输入要多一些。其中还包括了对 Reducer 的修改。详细的参考下面的代码。

public static class CoreReducer extends Reducer<Text, IntWritable, Text, IntWritable> {

    private MultipleOutputs<Text, IntWritable> multipleOutputs = null;

    @Override
    protected void setup(Reducer<Text, IntWritable, Text, IntWritable>.Context context)
            throws IOException, InterruptedException {
        multipleOutputs = new MultipleOutputs<Text, IntWritable>(context);
    }

    @Override
    protected void reduce(Text key, Iterable<IntWritable> values,
            Reducer<Text, IntWritable, Text, IntWritable>.Context context)
                    throws IOException, InterruptedException {
        ( ... 省略无关的 N 行 ... )
        multipleOutputs.write(splitKeys[1], new Text(splitKeys[0]), count);
    }

    @Override
    protected void cleanup(Reducer<Text, IntWritable, Text, IntWritable>.Context context)
            throws IOException, InterruptedException {
        multipleOutputs.close();
    }
}

上面的代码中，setup() 与 cleanup() 模块只是对 MultipleOutputs 的初始化与关闭操作，需要说明的地方不多。主要有以下两点：
1. 将 MultipleOutputs 的初始化放在 setup() 中，因为在 setup() 只会被调用一次，如果放在 reduce() 中，则 MultipleOutputs 可能被 reduce 方法初始化 N 次，而你全然不知；
2. 你需要在 cleanup() 方法中关闭 MultipleOutputs。通过源码我们了解到，关闭 MultipleOutputs，也就是关闭 RecordWriter，并且是一堆 RecordWriter，因为这里会有很多 reduce 被调用。

/** * Closes all the opened outputs. * * This should be called from cleanup method of map/reduce task. * If overridden subclasses must invoke <code>super.close()</code> at the * end of their <code>close()</code> * */
@SuppressWarnings("unchecked")
public void close() throws IOException, InterruptedException {
for (RecordWriter writer : recordWriters.values()) {
  writer.close(context);
}
}

还有一个是你需要重点关注的，那就是 reduce() 方法里的 multipleOutputs.write(…)。你需要把以前的 context.write(…) 替换成现在的这个。

调用代码修改

客户端调用方面，只需要在代码

FileOutputFormat.setOutputPath(job, new Path(outputPath));

之前添加多路径的设置，即可。如下：

public class ComputerClient {

    public static void main(String[] args) throws Exception {
        ( ... 省略无关的 N 行 ... )
    }

    private void execute() throws Exception {
        runFirstJob();
    }

    private int runFirstJob() throws Exception {
        ( ... 省略无关的 N 行 ... )        
        addNamedOutput(job);
        FileOutputFormat.setOutputPath(job, new Path(outputPath));

        return job.waitForCompletion(true) ? 0 : 1;
    }

    private void addNamedOutput(Job job) {
        addNamedOutput(job, "android");
        addNamedOutput(job, "hadoop");
        addNamedOutput(job, "ios");
        addNamedOutput(job, "java");
        addNamedOutput(job, "python");
    }

    private void addNamedOutput(Job job, String pathName) {
        MultipleOutputs.addNamedOutput(job, pathName, TextOutputFormat.class, Text.class, IntWritable.class);
    }
}

效果展示

通过上面的学习并编写正确的程序，这样就可以获得如下的效果。

工程源码下载

• http://download.csdn.net/detail/u013761665/9553523